[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

When Speed meets Accuracy: an Efficient and Effective Graph Model for Temporal Link Prediction

Created by
  • Haebom

作者

Haoyang Li, Yuming Xu, Yiming Li, Hanmo Liu, Darian Li, Chen Jason Zhang, Lei Chen, Qing Li

概要

本論文は、動的グラフにおける時間的リンク予測のための軽量フレームワークであるEAGLEを提案します。従来のTemporal Graph Neural Networks(T-GNNs)は、複雑な構造のため計算コストが高いという欠点がありますが、EAGLEは短期間の最近の近隣情報と長期間のグローバル構造パターンを統合してこれを解決します。時間認識モジュールはノードの近隣情報を集計し、構造認識モジュールは時間的パーソナライズされた PageRank を活用してグローバルに重要なノードの影響力を捉えます。データ特性に応じて2つのモジュールの寄与を動的に調整する適応的な重み付けメカニズムを使用し、複雑なマルチレベルメッセージ配信やメモリ集約的なメカニズムを排除することで効率を大幅に向上させます。実験の結果、EAGLEは従来の最先端のT-GNNよりも効果と効率の点で優れた性能を示し、特にトランスフォーマーベースのT-GNNより50倍以上速い速度を提供します。

Takeaways、Limitations

Takeaways:
既存のT-GNNの計算コスト問題を効果的に解決する軽量フレームワークの提示。
短期および長期パターンを効果的に統合して予測精度を向上
適応的重み付け機構を介したデータ特性に適合する最適な性能達成
従来の最先端T-GNNに比べ50倍以上の速度向上。
Limitations:
提案されたEAGLEの性能が特定の種類の動的グラフに偏っている可能性。
さまざまなサイズと特性のグラフの一般化パフォーマンス検証が必要です。
時間的パーソナライズされたPageRank計算の複雑さの追加分析が必要です。
非常に大規模なグラフへの適用性に関するさらなる研究の必要性
👍